ИСТИНА

Экстракционное разделение – один из основных методов переработки отработавшего ядерного топлива. Важную роль в этом процессе играют малые органические молекулы - комплексообразователи, которые позволяют разделять высокоактивные отходы на отдельные фракции. При их разработке необходимо учитывать не только селективность, но и радиационную стойкость, растворимость в целевом растворителе, синтетическую доступность, а также возможность последующей реэкстракции. Машинное обучение становится мощным инструментом в дизайне новых химических соединений, особенно в области de novo дизайна, где искусственный интеллект используется для автоматической генерации молекул с заданными свойствами. В данной работе мы указали на недостатки используемых в настоящее время концепций, а также разработали гибридную систему для дизайна потенциальных комплексообразователей, сочетающую графовую модель машинного обучения, адаптированную для работы с малыми данными, и эволюционный алгоритм для подбора оптимальной структуры молекулы [1, 2, 3]. Предлагаемый подход позволяет не только предсказывать константы устойчивости комплексов лантанидов и актинидов, но и генерировать новые малые органические молекулы, потенциально пригодные для экстракционного разделения. Данная система, а также сервис на ее основе может помочь в поиске эффективных комплексообразователей с заданными свойствами.